EpubCCVerwijder herhaalde kopteksten en paginanummers uit een geconverteerde PDF
Lopende koppen, voetteksten en paginanummers komen in het midden van zinnen terecht wanneer een converter elke regel van de PDF kopieert. EpubCC vergelijkt pagina's, vindt de korte regels die bovenaan en onderaan herhaald worden, en verwijdert ze samen met blote paginanummers.
Tot 3 hele boeken per dag gratis. Geen account nodig.
Bijgewerkt:
Privébestanden. Nooit gebruikt voor training. Worden automatisch verwijderd, of meteen wanneer u nu Verwijderen drukt.
Bekijk het verschil in lezen.
Waarom het gebeurt
In een PDF zijn de boektitel, de hoofdstuknaam en het paginanummer gewoon meer tekst op elke pagina. Een converter die pagina's niet vergelijkt, kan ze niet onderscheiden van de inhoud, dus komen ze telkens tussen twee helften van een zin terecht wanneer de pagina draait.
Hoe EpubCC ze verwijdert
- Korte blokken in de bovenste of onderste 12% van de pagina die op ten minste 3 pagina's worden herhaald, worden behandeld als marges (cijfers en Romeinse cijfers worden genormaliseerd, dus “Pagina 12” en “Pagina 13” tellen als dezelfde regel).
- Een blok dat alleen een pagina nummer is, wordt verwijderd waar het ook verschijnt in de marge.
- De zin die onderbroken werd door de pagina-afbreking wordt weer samengevoegd.
Wat de benchmark laat zien
De margin-lek metriek is het aandeel van herhaalde margelijnen die in de tekst zijn achtergebleven. Het is alleen betrouwbaar voor engines die lijnen splitsen zoals pdftotext-layout doet, dus lees het als een gids, niet als een ranglijst.
| Motor | Marginaleiding |
|---|---|
| EpubCC engine (EPUB output) | 0.059 |
| EpubCC engine (plain text) | 0.881 |
| pdf_oxide · extract_text | 0.829 |
| pdf_oxide · to_plain_text (XY-cut) | 0.797 |
| pdf_oxide · Markdown | 0.108 |
| PDFium · text().all() | 0.963 |
| OpenDataLoader PDF (local mode) | 0.044 |
| pdftotext (Poppler) | 0.230 |
| Calibre · ebook-convert (EPUB output) | 0.694 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.062 |
Gescande pagina's worden gelezen met OCR: gratis tot 10 pagina's, langere PDF's op Pro en Business. Het rapport lijst ze op zodat je namen en nummers kunt controleren.
FAQ
Is het gratis?
Ja, voor de meeste boeken: tot 3 volledige boeken per dag, elk tot 300 pagina's en 50 MB, zonder account. Langere boeken en gescande PDF's van meer dan 10 pagina's zijn op Pro en Business.
Zal de EPUB perfect zijn?
Geen enkele converter kan dat beloven, en dat doen wij niet. Wanneer de engine problemen detecteert (onleesbare glyphs, twijfelachtige leesvolgorde) toont het een waarschuwing in plaats van het te verbergen, en het kwaliteitsrapport geeft een lijst van pagina's die het controleren waard zijn.